2019年6月18日至21日，“AI大会2019北京站”将在北京国际酒店会议中心举行。由O 'Reilly和英特尔联合主办的“AI大会”在2018年全球四场会议中，在人工智能领域受到广泛关注和广泛赞誉。此次北京站大赛也是继今年全球瞩目的盛事纽约站之后的重归。它专注于人工智能的实际应用，目的是弥合人工智能研究领域与工业商业应用之间的现实差距。硅谷和中国的融合为全球人工智能专家提供了难得的机会。会议主题和相关主题的演讲者是来自国内外领先公司、大学的人工智能专家，包括谷歌、英特尔、Facebook、Uber、微软、阿里巴巴、亚马逊、中国人寿、美团、SAS、Unity、SalesForce、IBM、MIT、伯克利、斯坦福大学和清华大学。在这里，您可以深入研究案例研究，深入研究最新研究，学习如何在项目中实施AI，分享智能工程和应用领域的最新最佳实践，揭示AI的局限性和未开发的机会，并讨论AI将如何改变商业世界。商业中的人工智能：执行简报，案例研究和用例，以及特定行业的应用，无论您的重点是哪里，您都可以在本次会议上找到它们。人工智能对商业和社会的影响：自动化、安全、监管等实施人工智能项目：应用程序、工具、架构、安全等与人工智能的交互：设计、度量、产品管理、机器人等。模型和方法：强化和机器学习，TensorFlow，深度学习，GAN，自然语言处理和理解，语音识别，计算机视觉等。在这次会议上，您希望看到什么样的专家和引人入胜的内容？请观看：优秀的主题演讲者（随时更新）
Ion Stoica是加州大学伯克利分校EECS教授和RISSELab主任。他与Ali Ghodsi等人共同创立了Databricks，并担任董事长。ACM Fellow。Jia Yangqing，加州大学伯克利分校计算机科学博士他目前是阿里巴巴计算平台的负责人，也是Caffe、TensorFlow、Caffe2、ONNX和PyTorch1.0的作者或合著者。Pete WardenGoogle Brain团队移动和嵌入式TensorFlow小组技术总监。O'Reilly Media是Public Data Handbook和Big Data Glossary的作者，也是OpenHeatMap和Data Science Toolkit以及其他开源项目的创建者。Maria ZhangLinkedin的工程副总裁，IDG Capital的创业合伙人。Tim Kraska，麻省理工学院计算机科学与人工智能实验室副教授。他的研究重点是机器学习系统的构建和使用。他在2017年的大部分时间都在Google Research工作，在那里他与MLX和Brain团队一起发明了学习索引结构的概念。Michael James是Cerebras Systems的创始人兼首席软件架构师。AMD的研究人员。优秀的培训课程：6月18日星期二和6月19日星期三Jike Chong？清华大学|Acorns、黄铃清华大学、陈维排列科技量化互联网金融信用与欺诈预防风险管理本课程以清华大学交叉信息研究所开设的“量化金融信用与风险管理分析”研究生课程为基础。以Lending Club的真实贷款数据为例，我们将介绍一个具体模型的实现，以理解数据科学在互联网金融中个人信用评估中的价值。了解真实的数据科学过程和个人信贷领域的考虑因素。了解构建信用模型的多种挑战的解决方案。Rich Ott The Data Incubator深度学习使用PyTorch PyTorch进行深度学习PyTorch是一个用于Python的机器学习库，它允许用户非常灵活地构建深度神经网络。易于使用的API和GPU的无缝使用使其成为深度学习中的热门工具。本课程将介绍PyTorch工作流，并向您展示如何使用它。您将获得使用真实数据集构建深度学习模型的知识。Season Yang McKinsey & Company Deep Learning with TensorFlow深度学习TensorFlow库提供了计算图的使用，可以在资源之间自动并行化。这种架构非常适合实现神经网络。本培训课程将向您介绍TensorFlow的Python功能。我们将逐步从构建机器学习算法过渡到使用Keras API和TensorFlow提供的一些实践应用程序。Jesse Anderson大数据研究所专业Kafka开发Jesse Anderson详细介绍了Apache Kafka。在本课程中，你将学习Kafka是如何工作的，以及如何创建实时系统。您还将学习如何使用Kafka创建消费者和发布者，以及如何在探索Kafka生态系统的同时使用Kafka Streams、Kafka Connect和KSQL。6月19日星期三，亚历杭德罗·索塞多（道德人工智能与机器学习研究所）：机器学习中的可解释性和偏差评估的实用指南（机器学习中的可解释性和偏见评估实用指南）学习者将学习机器学习中偏见概念的高级哲学概述，这将有助于消除歧义，并在面对现实生活中的情况时简化挑战。从技术的角度来看，学习者应该考虑评估机器学习模型整个生命周期中的偏差的三个关键步骤：特征的重要性，以及如何在真实世界的例子中使用关键的机器学习概念，如类不平衡，模型分析和部分依赖。了解如何使用这些数据科学基础设施与关键领域的专家进行交互。Yijing Chen Microsoft Dmitry Pechyoni Microsoft Angus Taylor Microsoft Vanja Paunic Microsoft Henry Zeng Microsoft基于深度学习的时间序列预测在本课程中，学习者将学习：1.了解卷积和循环神经网络的基础知识，以及对时间序列预测有效的高级体系结构。2.了解如何使用深度学习模型而不是传统的时间序列模型进行时间序列预测。3.您将学习对于成功开发用于时间序列预测的深度学习模型至关重要的技术和技巧。4.获取使用Keras训练和调整时间序列预测深度学习模型的示例源代码。Zhichao Li Analytics Zoo：Apache Spark上的分布式Tensorflow和Keras“Analytics Zoo”：提供统一的Analytics + AI平台，将Spark、TensorFlow、Keras和BigDL程序无缝集成到一个统一的管道中，并透明地将整个管道扩展到大型Hadoop / Spark集群进行分布式训练和推理。在本课程中，您将学习如何构建和生成利用大数据的深度学习应用程序。（例如，基于迁移学习的图像分类、降水邻域预测的序列间预测、推荐的神经协同过滤、无监督时间序列异常检测等）和使用Analytics Zoo的真实用例。（例如：JD.com，MLSlistings，World Bank，银联，美智/ KUKA等）Zhen Zhao Intel OpenVINO加速从边缘到云的深度学习推理和计算机视觉在本教程中，学习者将学习英特尔OpenVINO工具包的结构和工作流程，以及深度学习部署和计算机视觉的两个模块，用于异步和异构计算的优化方法、低精度（INT8）推论、具有性能库的指令集加速以及OpenVINO中的分析工具。此外，我们还将通过将英特尔OpenVINO集成到商业和工业应用中来讨论视频分析解决方案。Chris Butler IPSoft Design Thinking for AI的目标、清晰的问题和人们的信任是任何系统的关键因素，尤其是那些使用AI的系统。Chris Butler将帮助您通过结合设计思维原则的练习来创建更有效的解决方案和更好的团队合作。Sujatha Sagiraju Microsoft Henry Zeng Microsoft自动化通过机器学习实现人工智能民主化和加速人工智能所提供的智能体验对用户来说是不可思议的。然而，开发它们可能很麻烦，涉及到一系列连续的、相互关联的决策，并且需要时间。如果您有一个自动化服务，可以为给定的问题/数据识别最佳机器学习管道，该怎么办？自动机器学习就是这样!Richard Liaw UC Berkeley RISELab用RayRay构建强化学习模型和人工智能应用程序是一个通用的集群编程框架。我们将深入研究Ray，指导您了解API和系统架构，并分享应用示例，包括最先进的AI算法。
抢入场券：今年的人工智能大会2019北京已经开放报名，现在是提前打折门票阶段（截止日期：5月10日）搜索AI会议或人工智能会议，然后访问官方网站以了解更多信息。